药物设计与发现是药物研发的重要阶段,目的是发现与特定靶点结合后具有活性的苗头化合物。传统的方法是通过高通量实验筛选,但耗时长、支出高,且成功率低。随着计算机技术的飞速发展,虚拟筛选技术逐渐成熟,这是通过计算机从大型化合物数据库中筛选活性化合物的一种方法,可大大缩短筛选苗头化合物的时间,也提高了筛选的有效性和准确度。本文使用DUD-E、MUV和Kernie三个数据集进行实验,建立了一个基于结构的药物虚拟筛选的深度学习模型。主要研究工作及结论包括:1.对通过分子对接程序Smina分子对接形成的配体-靶点复合物形态进行特征提取,提取的特征为原子类型、原子所带电荷、与参考原子的距离以及原子的氨基酸类型,提出基于结构的虚拟筛选的CNN模型,命名为Deffini模型,并利用TPE（Tree Parzen Estimators）算法对Deffini模型进行超参数优化。2.利用基于聚类的三折交叉验证,即根据靶点的蛋白序列的相似性把靶点数据分成三折,把相似靶点样本放到同一折中,以避免测试集与训练集样本高度相似而导致对模型性能的高估。利用Deffini模型在DUD-E上进行基于聚类的三折交叉验证。3.利用四个对比模型,包括分子对接程序Smina,以及三个深度学习模型,Gan DTI、基于配体的虚拟筛选的CNN和Transformer模型,在DUD-E上进行基于聚类的三折交叉验证,比较各个模型的各项评价指标,包括AUC-ROC、AUC-PRC、1%富集因子(EF1%)和5%富集因子(EF5%),对比分析各个模型的性能差异。实验表明,三个深度学习模型各项评价指标明显优于Smina,而我们的Deffini模型性能最佳。4.构建靶点蛋白家族特异性模型,即保证训练集和测试集的靶点来自同一蛋白家族。在DUD-E上实验发现,相比于泛家族模型,靶点蛋白家族特异性模型的各项性能、泛化能力得到了显著的提升。由于DUD-E所含激酶靶点数据量较小,为了更好地探索靶点蛋白家族特异性模型,利用我们自行构建的更大的激酶靶点数据集Kernie训练Deffini模型,并依据迁移学习的思想,在MUV的激酶靶点上测试。与利用DUD-E中的激酶靶点数据训练的Deffini模型相比,利用Kernie训练得到的Deffini模型AUC-ROC、AUC-PRC、EF1%和EF5%值均更高,泛化能力更强,模型性能更佳。本文基于配体-靶点复合物的三维结构,提出了基于结构的虚拟筛选的CNN模型（Deffini模型）,并比较分析泛家族和靶点家族特异性两种虚拟筛选模型的训练方式。Deffini模型和靶点家族特异性的训练方式在一定程度上提高了虚拟筛选模型的泛化能力,提高了虚拟筛选的准确率和有效性。